面向多跳问答的状态引导式 Agentic RAG

基于摘要分析。该研究面向多跳问答中 agentic RAG 的行动依据不明确问题，提出 State-Guided Agentic RAG：以结构化知识状态记录已解决与未解决的信息，并据此引导检索、证据补全和答案生成，而非仅依赖 LLM 的隐式推理历史。 核心机制是维护包含未解决槽位、依赖关系、候选值、已确认的证据及冲突的知识状态，并在检索过程中增量更新。该状态作为行动的依据接口，支持检索、证据补全、重试、停止及答案的证据支撑。作者将现有系统的风险归结为缺少显式状态，可能产生缺乏依据的查询、幻觉中间实体及后续错误传播；摘要尚不足以确认该框架如何验证证据、处理冲突或制定具体行动规则。 作者在 HotpotQA、2Wiki 和 MuSiQue 上使用 Qwen3-14B/8B/4B 评估，报告该方法在各模型规模上的总体平均表现最佳，并在多数设置下优于标准 RAG 与 agentic RAG 基线。摘要未提供具体指标、分数、数据划分、基线名称或计算开销，因此不能量化收益或判断不同设置间的可比性。实验协议、消融及统计信息尚未验证，尤其需要核对性能改善是否来自状态表示、行动策略或额外检索预算。 作者表示提供了匿名实现以支持复现，但材料未给出实现链接、运行配置或依赖，复现条件仍需核对。本研究的主要对象是基于文本证据的多跳问答，并非 EEG 解码或 BCI 控制；现有摘要未建立其机制与神经信号任务的具体对应关系，不据此推断 BCI 有效性。